Un equipo de investigadores de la Universidad de Rice y la Facultad de Medicina de Beller ha desarrollado una nueva estrategia para identificar la contaminación peligrosa en el suelo, incluso aquellos que nunca han sido aislados o estudiados en el laboratorio.
El nuevo enfoque, que apareció en un estudio apareció La acción de la Academia Nacional de CienciasPara detectar compuestos tóxicos como el hidrobonos de aroma poli cíclico (HAP) y sus compuestos derivados (PAC) en el suelo, se utilizan imágenes algorítmicas basadas en la luz, firmas de luz compuesta y aprendizaje automático (ML). Un lado conjunto de la combustión, HAP y PAC se ha relacionado con el cáncer, los problemas de desarrollo y otros problemas de salud graves.
Identificar la contaminación en el suelo generalmente requiere una referencia física estándar a laboratorios avanzados y sospecha de contaminación. Sin embargo, no hay datos experimentales disponibles para muchas contaminaciones ambientales que están en riesgo de salud pública, que pueden usarse para detectarlos.
“Este método es posible identificar productos químicos que aún no se han aislado experimentalmente”, dijo Naomi Hall, profesor de la universidad y arroz.
El nuevo método utiliza una técnica de imagen basada en la luz, conocida como superficie, conocida como espectroscopía Raman, que analiza cómo interactúa la luz con las moléculas, realiza un seguimiento de patrones o espectros únicos. El espectro actúa como una “huella digital química” para cada compuesto. Esta técnica se ha mejorado mediante el uso de firmas diseñadas para mejorar los rasgos relevantes en los espectros.
Utilizando la teoría funcional de densidad, una técnica de modelado computacional que puede predecir cómo se tratan el átomo y el electrón en las moléculas, los investigadores calcularon lo que se ve todo el rango de PAH y PAC en función de la estructura molecular de los compuestos de Spatra. Esto les permitió producir una biblioteca virtual de “huella digital” para HAP y PAC.
Los dos algoritmos ML complementarios se usaron para analizar las versiones relacionadas de las vibraciones distintivas en las muestras de suelo del mundo especializado y combinados con los compuestos de mapa en la biblioteca virtual de los espectros.
“Estamos utilizando HAP en el suelo para aclarar esta nueva estrategia importante”, dijo Halls. “Hay decenas de decenas de productos químicos y este punto de vista desde PAAH-calculando sus espectros y el uso de aprendizaje automático hasta teóricamente para identificar a aquellos que no permiten que los cálculos conecten los cálculos. O no pueden”.
Este método indica una diferencia importante en el monitoreo ambiental, que ha abierto la puerta para identificar una amplia gama de compuestos dañinos, lo que ha cambiado con el tiempo. Es especialmente importante que el suelo sea un entorno dinámico donde los productos químicos estén sujetos a cambios que pueden hacerlos difíciles de detectar.
El profesor asociado de Fideicomisario de Ingeniería Química y Biometradora Thomas Sanfital, el administrador asociado de arroz arroz arroz de arroz William Marsh, comparó el proceso con el uso de la identidad facial para que un individuo pudiera encontrarse en la multitud.
“Puedes imaginar que tenemos una foto de una persona cuando es adolescente, pero ahora tiene 30 años”, dijo Sinfol. “Lo que hacemos en mi grupo, para la teoría, podemos predecir cómo será la imagen”.
Los investigadores probaron el desprendimiento de agua restaurados y los métodos de suelo del área natural utilizando muestras y muestras de control contaminadas artificialmente. Los resultados también seleccionaron un nuevo enfoque para los minutos de HAP, utilizando un proceso simple y rápido que las técnicas tradicionales.
“Este método puede identificar moléculas de contaminación de PAH y PAC menos bien conocidas y ampliamente inestables”, dijo un científico de Rice Research, quien es coautor de esta investigación.
En el futuro, este procedimiento puede permitir el algoritmo ML y la biblioteca teórica de Varnagram en un sistema móvil integrando los dispositivos Raman portátiles en un sistema móvil, lo que facilita a los agricultores, comunidades y agencias ambientales enviar laboratorios específicos para laboratorios y resultados específicos.
Profesor Asistente Ankit Patel, Profesor Asistente de Ingeniería Eléctrica e Informática en Rice, y Profesor Asistente de Neuro Sciences en BCM, así como un escritor sobre el estudio.
Otros co -autores del arroz incluyen Yellow Joe, un ex estudiante de doctorado en informática. Estudiantes de doctorado Sara Dennis, Paxwan Jin y Anders Sánchez Alvardo. Vicepresidente de Física y Astronomía y Profesor Peter Norlander de Ingeniería Eléctrica e Informática Ciencia y Nano Ingeniería de Materiales. Y George R. Brown Profesor Pedro Alvari de Ingeniería Civil y Ambiental.
Esta investigación fue apoyada por el Instituto Nacional de Salud (P42ES027725-01), la Fundación Welch (C-1220, C-1222) y Carl y Lilian Elig Fellowship (Samily-Curral Institute, H20398-23940). El contenido aquí es la responsabilidad de los autores y no representa necesariamente las opiniones oficiales de las organizaciones y organizaciones de financiación.
